Segmentasi Citra

Segmentasi Citra Pertemuan 7 Pengolahan Citra Digital

Topik • Pendahuluan • Edge based: • Mendeteksi discontinuities • Edge Linking and Boundary detection • Region based: • Thresholding • Region Growing • Region Merging and Splitting • Clustering • Hybrid

Pendahuluan • Segmentasi merupakan proses mempartisi citra menjadi beberapa daerah atau objek • Segmentasi citra pada umumnya berdasar pada sifat discontinuity atau similarity dari intensitas piksel • Pendekatan discontinuity: • mempartisi citra bila terdapat perubahan intensitas secara tiba-tiba (edge based) • Pendekatan similarity: • mempartisi citra menjadi daerah-daerah yang memiliki kesamaan sifat tertentu (region based) • contoh: thresholding, region growing, region splitting and merging

Pendekatan Edge-Based • Kekurangannya: belum tentu menghasilkan edge yang kontinue, mengakibatkan terjadinya kebocoran wilayah (wilayah-wilayah yang tidak tertutup) • Prosedur: • Melakukan proses deteksi sisi dengan operator gradient. Masukannya citra gray level dan keluarannya citra edge (biner) Citra Masukan Deteksi Sisi Citra Edge

Mendeteksi discontinuity • Terdiri dari: deteksi titik, deteksi garis, deteksi sisi • Dapat menggunakan mask/kernel, berbeda untuk setiap jenis deteksi • Khusus untuk deteksi sisi, dapat menggunakan cara-cara yang telah dibahas sebelumnya, seperti dengan menggunakan operator gradien (Roberts, Sobel, Prewitt), atau Laplacian.

Deteksi titik

Deteksi Garis

Deteksi Sisi

Edge Linking & Boundary det. • Hasil dari deteksi sisi seringkali tidak menghasilkan sisi yang lengkap, karena adanya noise, patahnya sisi karena iluminasi, dan lain-lain. • Oleh karena itu proses deteksi sisi biasanya dilanjutkan dengan proses edge linking. • Dari sekian banyak cara, yang akan dibahas: • Local Processing • Global Processing dengan teknik Graph-Theoretic

Local Processing • Merupakan cara paling sederhana, dengan menggunakan analisa ketetanggaan 3x3 atau 5x5. • Sifat utama yang digunakan untuk menentukan kesamaan piksel sisi adalah • Nilai gradien: (x,y) = |Gx| + [Gy| • Arah gradien: (x,y) = tan-1(Gx/Gy) • Jika piksel pada posisi (x0,y0) adalah piksel sisi, maka piksel pada posisi (x,y) dalam jendela ketetanggaan yang sama bisa dikategorikan sisi pula jika • |(x,y) - (x0,y0)| E • | (x,y) -  (x0,y0)|  A • E dan A adalah nilai ambang non negatif

Contoh

Global Proc. w/ Graph theoretic • Dapat mengatasi noise • Komputasi lebih sulit • Global : langsung mencakup seluruh citra, bukan menggunakan jendela ketetanggan • Menggunakan representasi graph • Setiap piksel dianggap sebagai node • Setiap piksel hanya bisa dihubungkan dengan piksel lain jika mereka bertetangga (4-connected) • Edge yang menghubungkan piksel (node) p dan q pada graf memiliki nilai (weighted graph): • C(p,q) = H – [f(p) – f(q)] • H: nilai intensitas keabuan tertinggi pada citra • f(p) dan f(q): nilai keabuan piksel p dan q • Kemudian dicari lintasan sisi dengan cost terendah

Contoh Pada contoh ini, ukuran citra hanya berukuran 3x3. Untuk memudahkan, diasumsikan bahwa edge mulai dari baris teratas dan berakhir di baris terakhir. Dkl, edge hanya bisa berawal dari (1,1)(1,2) atau (1,2)(1,3), dan berakhir di (3,1)(3,2) atau (3,2)(3,3),

Contoh

Topik • Pendahuluan • Edge based: • Mendeteksi discontinuities • Edge Linking and Boundary detection • Region based: • Thresholding • Region Growing • Region Merging and Splitting • Clustering • Hybrid

Thresholding • Sering digunakan untuk segmentasi karena mudah dan intuitif. • Diasumsikan setiap objek cenderung memiliki warna yang homogen dan terletak pada kisaran keabuan tertentu

Contoh

Pendekatan Region-Based • Kekurangannya: belum tentu menghasilkan wilayah-wilayah yang bersambungan • Prosedur: • Memerlukan criteria of uniformity (kriteria) • Memerlukan penyebaran seeds atau dapat juga dengan pendekatan scan line • Dilakukan proses region growing unidentified region

Region-based Konsep Dasar Anggap himpunan R adalah seluruh daerah citra. Kita akan mempartisi R menjadi daerah-daerah R1, R2,… Rn, sedemikian hingga: • R1R2R3…Rn= R • Ri adalah daerah yang terhubung (untuk i = 1,2,…n) • Ri  Rj =  untuk semua i,j, i j • P(Ri) = TRUE untuk i = 1,2,…,n • P(Ri  Rj) = FALSE untuk i j • P adalah predikat/kriteria tertentu yang harus dimiliki suatu daerah.

Region Growing • Tentukan beberapa piksel seed. • Seed bisa ditentukan manual atau secara random • Untuk setiap piksel seed, lihat 4 atau 8 tetangganya, jika kriterianya sama (kriteria bisa berupa perbedaan keabuan dengan seed, dll) maka tetangga tersebut bisa dianggap berada dalam 1 region/daerah dengan piksel seed. • Teruskan proses dengan mengecek tetangga dari tetangga yang sudah kita cek, dst. • Tidak bisa hanya digunakan kriteria saja, tanpa melihat konektivitas ketetanggaan, karena bisa tidak membentuk daerah • Stopping rule kadang tidak mencakup semua kemungkinan sehingga pada akhir region growing ada piksel yang belum dicek sama sekali.

Contoh

Region Splitting n Merging • Splitting: membagi citra menjadi beberapa daerah berdasarkan kriteria tertentu (teknik quadtree) • Merging: gabungkan daerah-daerah berdekatan yang memiliki kriteria yang sama. • Kriteria: bisa varian keabuan dll • Prosedur umum: • Split R menjadi 4 kuadran disjoint jika P(R) = FALSE • Merge sembarang daerah berdekatan Ri, Rj jika P(Ri  Rj) = TRUE • Berhenti jika tidak ada proses split n merge yang bisa dilakukan

Contoh

K-Means Clustering

Pendekatan Hybrid Edge & Region Based • Bertujuan untuk mendapatkan segemntasi dengan wilayah-wilayah yang tertutup dan bersambungan • Prosedur: • Lakukan proses deteksi sisi untuk menhasilkan citra sisi (piksel edge dan piksel non-edge) • Lakukan pemisahan wilayah dengan metode connected region. Connected regions adalah set piksel 4-tetangga yang bukan piksel edge. • Selanjutnya dilakukan proses merging regions dengan rumusan-rumusan tertentu

sumber Dr. AniatiMurni (R 1202) Dina Chahyati, M.Kom (R 1226) FakultasIlmuKomputer Universitas Indonesia

Segmentasi Citra